怎樣用深度學習研究地震降噪？一次告訴你所有的思路
2020-10-03 科技爸
雖然不富甲天下，你卻擁有無數個豔陽天。
01 為什麼研究地震隨機噪聲很重要
壓制地震隨機噪聲，是地震勘探領域中一個重要的難題。
相干噪聲通常具有一定的形狀，當找到固定的主頻，就可以使用濾波技術較好的去除。
與相干噪聲不同，地震剖面中的隨機噪聲沒有固定的主頻和視速度，它通常與信號混合在數據的各個部分，甚至影響微弱信號的識別，增加了信號識別的難度。
許多地震過程，如果不消除噪音，如地質解釋和速度分析，可能會被破壞地層微弱的信號。
02 為什麼自編碼深度學習很適合研究地震信號
以下是一個典型的自編碼網絡結構：
自編碼網絡的主要結構由編碼器和解碼器兩部分組成。編碼器將輸入的高維數據映射為低維數據，獲得數據的稀疏表達。解碼器利用數據的稀疏表達進行數據的重構。
自編碼器作為典型的表示學習算法，具有數據特徵提取的天然優勢， 相比於目前地震去噪領域較為常用的 DnCNN 和 U-Net 網絡結構，卷積自編碼器引入了數據特徵的稀疏表達， 可以將冗餘的原始地震數據壓縮表達為稀疏的僅保留有效信號的地震數據，從而濾除地震記錄中的隨機噪聲。
在有監督學習中，訓練標籤的選擇是非常關鍵的，因為它關係到學習特徵的可靠性。雖然這種監督策略在給定無噪聲數據的情況下能有效地抑制合成數據的隨機噪聲，但在實際數據處理中存在問題。實際地震數據中沒有相應的無噪數據，無法得到真實的訓練標籤。
自編碼網絡作為一種自監督學習，無需標籤數據，直接從訓練數據學習有效特徵信息，所以具有很大的優越性。
03 研究思路1——使用仿真數據進行實驗
到底自編碼效果如何？當然是有定量的結果最能說明問題。
1 製作訓練集
首先，把乾淨的仿真數據增加隨機噪聲。像這樣：
2．抽樣含噪信號。
為了保證處理的效率，一般不會把整個地震信號進行處理，而是將地震信號進行抽樣劃分為小補丁，再分別進行處理。
3.對補丁進行深度學習。
這部分前面已經講了很多了。
參考的網絡參數包括：補丁小塊尺寸為40*40，補丁數量10000個以上，卷積核4*4,編碼和解碼各3層，卷積層結構為48-32-16-16-32-48-1，滑動步長為4，
4.是結果驗證。
驗證結果的方法很多，主要包括：
（1）去噪效果對比
這是最直觀的對比方法。除了自己提出的方法，常常用濾波、變換域等方法降噪來作為對比的方法，包括：FXDECON、MSSA、DRR、Wavelet等。比如這樣的效果：
從去除的噪聲中可以看出，小波和FXDEC可以在消除噪聲的同時削弱有用信號的分量。使用作者提出方法去除的噪聲剖面中沒有能量洩漏，因此這種方法不會損壞有用的信號。
（2）去噪結果的量化對比
這種方法，通過計算SNR的數值，直觀的對比量化數字。比如像下面這樣：
對於每種方法，數據的噪聲級越大，去噪結果的信噪比越低。可以看出在不同的噪聲水平下，該方法的去噪結果比其他兩種方法都有更高的信噪比，證明了該方法具有顯著的去噪性能。
（3）噪聲數據、乾淨數據和去噪數據的平均振幅譜對比
這種方法用主要就是對比哪種方法去噪數據的平均振幅譜最接近於乾淨信號的平均振幅譜。就像這樣：
從圖上可以看出：FXDEC去噪後的數據在102hz以上的振幅值為0，這意味著FXDEC去除了有用的信號和噪聲。在100hz以上的範圍內，小波可以在不削弱有用信號的情況下去除噪聲。然而，在28-100hz範圍內，小波很難恢復原始振幅。作者提出方法得到的去噪數據的平均振幅譜最接近於乾淨信號的平均振幅譜。
03 研究思路2——使用真實數據進行實驗
與仿真數據相比，在真實環境中採集的數據更能反映實際的處理效果。但是有個最大的問題，就是沒有辦法得到清晰的數據，也就無法進行量化分析。
所以真實數據的去噪實驗主要以定性分析為主。
前面的數據集生成、深度學習和仿真實驗都是一樣的。再來看看處理效果的對比實驗。
（1）去噪效果對比
這個方法基本上和仿真實驗是一樣的。
首先找到一個含噪的信號，像這樣的：
然後經過訓練學習，參數和前面仿真實驗是一樣的。效果就像這樣：
（2）計算局部相似圖
這個方法通過顯示去噪結果與去除噪聲之間的局部相似性來評估信號洩漏的程度，那麼一些高相似性異常的區域就表明去噪後的結果在相應的位置有信號洩漏。
就像這樣的對比圖：
從上圖可以看出，與fxtec和MSSA相比，作者提出的方法具有更小的信號洩漏，說明該方法能夠充分地保留信號並有效地衰減噪聲。
（3）展示深度學習的過程
有時候，為了說明深度學習的過程，作者也會展示學習過程中的效果圖，就像這樣：
上圖就顯示了深度學習提取的64個特徵，每個特徵被重新排列成一個40×40的二維矩陣。很明顯，提取的特徵對應於地震圖像的不同結構特徵。
04 小結
上面說了N多思路，都是在寫SCI中常用的方法。深度學習的效果到底好不好，還是要用實驗來說話，要麼用定性的效果圖、要麼用定量的數據。
相信大家看過一遍之後，能夠對深度學習降噪的研究方法找到感覺了。
如果覺得好請點讚，或關注我交流。
相關焦點
-
神經網絡學習降噪算法解析
對攝影來說，我們的目的很單純：弱光高ISO拍攝的照片跟低ISO效果接近就行，這個或許硬體端很長時間甚至不可能達到境界，在當下的AI深度學習算法加持下，已經基本實現了……NVIDIA最近跟芬蘭阿爾託大學和美國麻省理工合作，使用Tesla P100 GPU集群，在谷歌TensorFlow學習系統下以cuDNN加速庫，專門針對圖像降噪領域進行了深度學習算法研究。 -
深度學習在醫學影像中的研究進展及發展趨勢
隨著深度學習的出現，利用深度神經網絡分析醫學影像已成為目前研究的主流。根據醫學影像分析的流程，從醫學影像數據的產生、醫學影像的預處理，到醫學影像的分類預測，充分闡述了深度學習在每一環節的應用研究現狀，並根據其面臨的問題，對未來的發展趨勢進行了展望。關鍵詞：深度學習 ; 醫學影像 ; 圖像處理 ; 人工智慧 ; 卷積神經網絡論文引用格式：王麗會,秦永彬. -
唐山地震,地震到底能不能預測?帶你快速了解地震
這裡就有了疑問，地震到底是怎樣形成的？地震的等級和深度分別是什麼概念？對應的影響是什麼？地震是否能夠預測，其原理又是什麼？發生地震後又該怎樣合理的避險？那些所謂的地震自救床到底有沒有用？我們把斷裂處稱為震源，是地震開始的地方，震源到地面的垂直距離叫做震源深度，一般來講，震源深度可以分為淺源深度、中源深度、深源深度三個等級。其中常見的地震基本都為淺源深度，在距地表60公裡以內。根據字面意思我們也可以看出，淺源地震距地面最近，帶來的危害也就最大。 -
深度學習告訴你
深度學習告訴你 工程師黃明星 發表於 2018-07-15 07:28:00 AlphaGo（阿爾法狗）戰勝了柯潔，人工智慧贏了，贏家仍然是人類！ -
怎樣通過深度案例式學習持續提升職業技能?
我曾和公司的法務同事深度交流，她的經驗、敏銳的判斷力，皆來自她對行業的深度積累——可以說，跨行法務要面對的難度是巨大的，因為行業的底層邏輯要完全重新學習，這個時間成本過高。2 案例式深度學習之後，你就可以開始持續投入、刻意練習了。但到底怎樣的刻意練習最終能服務於能力提升這個目標，是個非常值得探討的話題。 -
張衡發明的地動儀到底有沒有用?唐山大地震告訴你答案!
張衡發明的地動儀到底有沒有用？唐山大地震告訴你答案!我們在學習歷史的時候都學習過和地動儀有關的知識，地動儀是張衡為了測試地震而發明的。但張衡發明的地動儀到底有用嗎？有人說它根本就沒有用，因為它在唐山大地震的時候根本沒有任何反應，認為張衡發明的地動儀就是用來糊弄人的。今天小編就來為你們講解一下地動儀到底有沒有用。中國近些年可以說也發生了很多場地震，但是對地動儀的關注並不是很大。可最近有人說在唐山大地震的時候地動儀就沒有任何動靜，所以人們對它的真實性產生了疑問。 -
40dB降噪深度,HUAWEI FreeBuds Pro無線耳機開啟智慧動態降噪新風潮
其中，華為自 2018 年推出FreeBuds系列以來，持續探索主動降噪技術，不斷帶來連接與聆聽體驗的創新突破，現已成長為TWS耳機行業的前沿品牌。現在，華為再次重磅推出FreeBuds系列旗艦機型HUAWEI FreeBuds Pro無線耳機，從降噪深度到降噪方式均取得全新突破。 -
關於深度學習在各個領域的應用分析
深度學習網絡作為一個功能多樣的工具，雖然最初僅用於圖像分析，但它已逐漸被應用到各種不同的任務和領域中。高準確性和高處理速度，使得用戶無需成為領域專家即可對大型數據集執行複雜分析。 小編邀請 MathWorks 產品經理 Johanna 分享一些深度學習網絡的使用示例以供參考： 文本分析 在本例中，我們將分析推特數據，了解針對特定詞或短語的情感是積極的還是消極的。情感分析有很多實際的應用，如品牌推廣、競選活動和廣告營銷。 過去（目前仍然）進行情感分析通常使用機器學習。 -
用深度學習對抗癌症:從分子層面研究到大規模人口建模
JDACS4C 一共有三個試點項目，Rick 領導了其中之一，將深度學習（DL）應用到癌症治療中去。這些項目不僅可以推進癌症研究和治療，而且可以提高深度學習的能力和基礎架構，最終著眼於百億億次計算機的研究，DOE 將對這些項目提供部分的資金支持。無論以哪種標準，美國對抗癌症（U.S. -
頓悟學習到底與情境有著怎樣的聯繫?柯勒的一個實驗告訴你答案
頓悟學習到底與情境有著怎樣的聯繫？柯勒的一個實驗告訴你答案沃爾夫岡·柯勒，生於1887年1月21日，逝於1967年6月11日。德裔美國心理學家，格式塔心理學派創始人之一，也是認知心理學、實驗心理學、靈長類行為研究的先驅。柯勒把直接經驗作為自己的研究對象，這種直接經驗是一種自然現象，只能通過觀察來發現，因此格式塔心理學強調運用自然觀察法。同時，柯勒以直接經驗和行為作為研究對象。格式塔心理學在具體研究中除了使用整體觀察法，還運用實驗法。柯勒所運用的實驗法主要是實驗現象學方法。 -
「冪律與臨界」支配神經網絡，深度學習技術要向大腦學習
導語近年來，怎樣讓深度學習的系統借鑑大腦的編碼機製成為了一個熱點問題。最近，研究人員從大腦的視覺神經網絡中發現了令人驚訝的臨界現象和冪律，這一發現對於深度學習系統的設計和穩定性分析都有重要的啟發。，大腦在儘可能多地處理信息和靈活地降噪之間達成了某種平衡。 -
專家解讀阿法狗原理:是「深度學習」
它的致命法寶就是模仿人類的「深度學習」工作原理。機器到底是怎樣像人類一樣學習的？有一天它無所不能，人類的未來又將怎樣？北京晨報記者採訪了國內專家進行解讀。 阿法狗原理是「深度學習」 AlphaGo（阿法狗）由位於英國倫敦的谷歌旗下DeepMind公司開發。它的主要工作原理是「深度學習」。 -
資料|白話深度學習與TensorFlow
基礎篇（第1～3章），講解了機器學習、深度學習與實踐的上下文知識，如基本的機器學習與深度學習算法，TensorFlow框架的安全與配置，簡單的深度學習實踐。該篇是閱讀和實踐的基石。原理與實踐篇（第4～8章），介紹「老牌」的深度學習網絡的數學原理和工程實現原理，尤其是第4章，如果能基本讀懂，後面的網絡實現層面的問題基本都可以迎刃而解。 -
【PPT下載】深度學習入門指南!六步構建深度神經網絡
深度學習是通過對人工神經網絡的研究，使得機器學習的操作和執行變得更完善、更高效。因此，深度學習是機器學習的一個分支。從概念上理解，人工智慧包含機器學習，而機器學習包含深度學習。深度神經網絡對於特徵提取的計算，一定要用卷積的方式，即通過卷積核在原始圖片上進行遍歷的方式，提取一張圖片上所有有用的特徵，在提取完特徵以後，生成新圖片的維度都會降低，從圖上可以看到，原本是一個7×7的矩陣，經過卷積計算之後變成了5×5的矩陣，也就是生成了一個小的圖片，這個圖片包含了第一張7×7圖片的每一個像素的特徵，這就是科學家們想到的一個方案，對於原始圖片，要提取到所有特徵，同時降低它的維度，維度小了 -
最新研究:新的深度學習技術破解偏微分方程的數學難題
偏微分方程很神奇，非常擅長描述隨時間和空間的變化，因此對於描述種種現象非常有用，可用於描述從行星運動、天氣變化、到隨時空結構變化的所有事物，但是眾所周知，它們很難求解。譬如說，假設嘗試模擬空氣湍流，有一個稱為納維-斯託克斯（Navier-Stokes）的方程，用於描述任何流體的運動。 -
當AI遇到生物-深度學習在生物研究中的應用案例列表
由於這個領域的進步很快，深度學習助力基因科技這篇一年前寫的文章，現在看來已有些過時。本篇文章列出了部分現有的應用深度學習技術處理醫學和生物學問題的工具，從這個列表中，可以看出當前深度學習在該領域的挑戰和局限，也可以全面的了解深度學習在計算生物學，醫學影像及生物信息等學科所具有的廣泛應用場景。深度學習+生物的論文發表數量 -
不如從學習地圖入手,可能會給你全新的思路
剛上高一時，我們地理老師在開學第一堂課上的一句話，讓我到現在都記憶猶新：想要在地理這門學科有所建樹，地圖是很關鍵，懂得如何使用地圖，那你在地理學習上，就已經具備了超越大部分學生的潛質。我是非常認同地理老師這句話的，也一直把地理老師這句話當做地理學習的核心辦法。 -
國產牛貨,前後雙饋麥克風設計35dB深度降噪,看到售價妥妥真香
但如果說我們要買到一款各方面還不錯的真無線，像SONY、APPLE、SENNHEISER、1MORE、HUAWEI這些大廠的，特別是帶主動降噪的真無線價格還是不便宜，依然在4位數。那麼真的就沒有便宜又好用的主動降噪真無線了嗎？當然也不是，現在越來越多的真無線支持主動降噪，而且價格也很親民。 -
大牛的《深度學習》筆記,Deep Learning速成教程
從快速發展到實際應用，短短幾年時間裡，深度學習顛覆了語音識別、圖像分類、文本理解等眾多領域的算法設計思路，漸漸形成了一種從訓練數據出發，經過一個端到端（end-to-end）的模型，然後直接輸出得到最終結果的一種新模式。那麼，深度學習有多深？學了究竟有幾分？本文將帶你領略深度學習高端範兒背後的方法與過程。 -
北京地震震感強烈?當地震波傳來,你將感受到三種波動
一直到1755年，大西洋沿岸的城市裡斯本發生了一次超大的地震，6萬人到9萬人死亡。人們開始靜下心來好好去思考，地震到底從哪裡來？最終得出一個樸素又正確的推論，那就是地震源自於地球的內部。因此，無論在地球的任何小角落發生一次中強地震，或者進行了核試驗爆炸的話，都無法逃脫這張無形網的敏銳的眼睛。不同的國家和地區，可以根據自己的需求去布設。比如說在我國的京津唐地區，臺站的密度是比較高的，因為經濟很發達；而在西部，看到的就是相對的稀疏一些。當地震發生之後，地震波傳播到你的腳下，你會有幾種不同的感覺。